سامانه تشخيص بيماري قارچي سفيدك پودري و آنتراكنوز برگ خيار با تكنيك پردازش تصوير و شبكه عصبي مصنوعي

A recognition system to detect Powdery Mildew and Anthracnose fungal disease of cucumber leaf using image processing and artificial neural networks technique

بيماري هاي گياهي مي تواند باعث كاهش كيفيت و كميت محصولات كشاورزي شوند. در بعضي از كشورها كشاورزان زمان قابل توجهي را صرف مشاوره با گياه پزشكان مي كنند در حاليكه زمان عاملي مهم در كنترل بيماري مي باشد، به همين دليل ارائه روشي سريع، ارزان و دقيق براي تشخيص بيماري هاي گياهي لازم به نظر مي رسد. با توجه به اينكه بيماري هاي قارچي سفيدك پودري و آنتراكنوز بيشترين ميزان خسارت را در گلخانه هاي خيار بوجود مي آورند، در اين پژوهش با استفاده از دانش پردازش تصوير و شبكه عصبي به تشخيص و طبقه بندي دو بيماري قارچي مذكور پرداخته شد. مراحل پردازش تصوير شامل چهار قسمت اصلي: 1) جمع آوري تصاوير،2) پيش پردازش، 3) بررسي تصاوير تصحيل شده در دو فضاي رنگي HSV و L*a*b* و انتخاب بهترين مولفه رنگي بمنظور طبقه بندي و استخراج نواحي آسيب ديده برگ، 4) استخراج خواص بافت نواحي آلوده سطح برگ با استفاده از ماتريس هم وقوعي است. از آنجايي كه دو فاكتور دقت و زمان در تشخيص و طبقه بندي بيماري گياهان حائز اهميت است لذا شبكه عصبي مصنوعي (ANN) با الگوريتم پس انتشار خطا و تابع آموزشي لونبرگ ماركورات (LM) به عنوان بهترين مدل انتخاب گرديد كه بطور موفقيت آميزي قادر به تشخيص، طبقه بندي اين دو بيماري در مدت زمان 6 ثانيه و با دقت 99/96 درصد شد.

Plant disease can cause quality and quantity reduction of agriculture crops. In some countries farmers spend considerable time to consult with plant pathologists، whereas time is an important factor to control disease، so it seems to offer a fast، cheap and accurate method to detect plant diseases. Since the fungal disease named ‘Powdery Mildew’ and ‘Anthracnose’ cause the greatest amount of damage in cucumber produced in greenhouses، thus in this research the mentioned two fungal disease detection and classification were studied using image processing and neural networks technique. Image processing steps includes four main steps: 1) Image acquisition 2) preprocessing 3) extraction of the best color parameters of HSV and L*a*b* color spaces in order to classify and extract defected area of the leaf and 4) extraction of textural properties of defected area of cucumber leaf using co-occurrence matrix. Since، two factors of accuracy and time are important in detection and classification of plant disease، thus artificial neural networks (ANN) with back propagation algorithm (BP) and Levenberg-Marquardt (LM) training function was selected as the best model that was able to successfully detect and classify mentioned plant diseases in 6 seconds with 99.96% accuracy.